R Notebook

Análisis exploratorio de datos climáticos Realizamos un estudio gráfico de la evolución de la temperatura global desde 1850. Queremos saber:

Si ha habido un aumento significativo de la misma. Si se producen más anomalías que antes térmicamente. Sacar ideas y descriptores a partir de la información proporcionada.

rm(list=ls())

library(reshape2) #facilita la trasnformación entre diferentes formatos de datos.
library(plotly) #https://plot.ly/r/

Global Land and Ocean-and-Land Temperatures (GlobalTemperatures.csv):

Date: starts in 1750 for average land temperature and 1850 for max and min land temperatures and global ocean and land temperatures LandAverageTemperature: global average land temperature in celsius LandAverageTemperatureUncertainty: the 95% confidence interval around the average LandMaxTemperature: global average maximum land temperature in celsius LandMaxTemperatureUncertainty: the 95% confidence interval around the maximum land temperature LandMinTemperature: global average minimum land temperature in celsius LandMinTemperatureUncertainty: the 95% confidence interval around the minimum land temperature LandAndOceanAverageTemperature: global average land and ocean temperature in celsius LandAndOceanAverageTemperatureUncertainty: the 95% confidence interval around the global average land and ocean temperature

temperaturas<-read.csv("recursos/GlobalTemperatures.csv")
head(temperaturas)

# eliminamos los valores faltantes
temperaturas <- na.omit(temperaturas)
temperaturas

# damos formato de fecha a la columna dt (Date)
temperaturas$dt <- as.Date(temperaturas$dt,"%Y-%m-%d")
# creamos una columna con información de mes y otra con información de año 
temperaturas$Month<-as.numeric(format(temperaturas$dt,"%m"))
temperaturas$Month.String<-format(temperaturas$dt,"%B")
temperaturas$Year<-as.numeric(format(temperaturas$dt,"%Y"))
temperaturas

head(df, 20)

                                              
1 function (x, df1, df2, ncp, log = FALSE)    
2 {                                           
3     if (missing(ncp))                       
4         .Call(C_df, x, df1, df2, log)       
5     else .Call(C_dnf, x, df1, df2, ncp, log)
6 }                                           

Representamos las temperaturas medias por mes desde 1850. Se puede observar claramente que si bien la temperatura de la tierra se mantiene en una subida suave, la de la tierra y océano tiene una subida más pronunciada en el tiempo.

library(ggplot2)
library(dplyr) #https://rsanchezs.gitbooks.io/rprogramming/content/chapter9/dplyr.html
library(plotly)
#Tierra
leyenda=reorder(temperaturas$Month.String,-temperaturas$LandAverageTemperature,mean)   #El "-" permite ordenar al revés
plot_ly(data = temperaturas, x = ~Year, y = ~LandAverageTemperature, color = leyenda) %>%
  layout(legend = list(x = 1, y = 0.8),title='Variación de la Temperatura Terrestre')

#Mar y tierra
leyenda=reorder(temperaturas$Month.String,-temperaturas$LandAndOceanAverageTemperature,mean)   #El "-" permite ordenar al revés
plot_ly(data = temperaturas, x = ~Year, y = ~LandAndOceanAverageTemperature, color = leyenda) %>%
  layout(legend = list(x = 1, y = 0.8),title='Variación de la Temperatura Media de Mar y Tierra')